Onderzoekers in Japan hebben een aanpak ontwikkeld die de eigenschappen van materialen beter kan voorspellen door experimentele en rekengegevens met hoge doorvoer te combineren met machine learning. De aanpak zou de ontwikkeling van nieuwe materialen kunnen bespoedigen, en werd gepubliceerd in het tijdschrift Wetenschap en technologie van geavanceerde materialen .

Wetenschappers gebruiken experimenten met hoge doorvoer, met een groot aantal parallelle experimenten, om snel de relaties tussen de composities in kaart te brengen, structuren, en eigenschappen van materialen gemaakt van verschillende hoeveelheden van dezelfde elementen. Dit helpt de ontwikkeling van nieuwe materialen te versnellen, maar vereist meestal dure apparatuur.

Hoge doorvoerberekening, anderzijds, gebruikt rekenmodellen om de eigenschappen van een materiaal te bepalen op basis van de elektronendichtheid, een maat voor de waarschijnlijkheid dat een elektron een extreem kleine hoeveelheid ruimte inneemt. Het is sneller en goedkoper dan de fysieke experimenten, maar veel minder nauwkeurig.

Materiaalinformatica-expert Yuma Iwasaki van de Central Research Laboratories van NEC Corporation, samen met collega's in Japan, combineerde de twee high-throughput-methoden, het beste van twee werelden nemen, en combineerde ze met machine learning om het proces te stroomlijnen.

"Onze methode heeft het potentieel om materiaaleigenschappen nauwkeurig en snel te voorspellen en zo de ontwikkeltijd voor verschillende materialen te verkorten, ', zegt Iwasaki.

Ze testten hun aanpak met behulp van een 100 nanometer dunne film gemaakt van ijzer, kobalt en nikkel uitgespreid op een saffiersubstraat. Verschillende mogelijke combinaties van de drie elementen werden langs de film verspreid. Deze 'composition spread samples' worden gebruikt om veel vergelijkbare materialen in één monster te testen.

Het team voerde eerst een eenvoudige techniek met hoge doorvoer uit op het monster dat combinatorische röntgendiffractie wordt genoemd. De resulterende röntgendiffractiecurven geven gedetailleerde informatie over de kristallografische structuur, chemische samenstelling, en fysieke eigenschappen van het monster.

Het team gebruikte vervolgens machine learning om deze gegevens op te splitsen in individuele röntgendiffractiecurven voor elke combinatie van de drie elementen. Berekeningen met hoge doorvoer hielpen bij het definiëren van de magnetische eigenschappen van elke combinatie. Eindelijk, berekeningen werden uitgevoerd om het verschil tussen de experimentele en rekengegevens te verkleinen.

Hun aanpak stelde hen in staat om met succes de "Kerr-rotatie" van het ijzer in kaart te brengen, kobalt, en nikkelsamenstelling verspreid, vertegenwoordigt de veranderingen die gebeuren met licht als het wordt gereflecteerd door het gemagnetiseerde oppervlak. Deze eigenschap is belangrijk voor een verscheidenheid aan toepassingen in fotonica en halfgeleiderapparaten.

De onderzoekers zeggen dat hun aanpak nog kan worden verbeterd, maar dat, zoals het staat, het maakt het mogelijk om de magnetische momenten van compositiespreidingen in kaart te brengen zonder de noodzaak om toevlucht te nemen tot moeilijkere en duurdere experimenten met hoge doorvoer.